第五节基因识别要点.pptVIP

第五节 基因识别 主讲人：孙 啸 制作人：刘志华 东南大学 吴健雄实验室 基因识别 基因识别是生物信息学领域里的一个重要研究内容 基因识别问题，在近几年受到广泛的重视 当人类基因组研究进入一个系统测序阶段时，急需可靠自动的基因组序列翻译解释技术，以处理大量已测定的但未知功能或未经注释的DNA序列 原核基因识别 重点在于识别编码区域 非翻译区域（untranslated regions, UTR） 编码区域两端的DNA，有一部分被转录，但是不被翻译，这一部分称为非翻译区域 5’UTR---基因上游区域的非翻译区域 3’UTR---基因下游区域的非翻译区域 对于任何给定的核酸序列（单链DNA或mRNA），根据密码子的起始位置，可以按照三种方式进行解释。 例如，序列ATTCGATCGCAA 这三种阅读顺序称为阅读框（reading frames） CAA A ATT CGA TCG A TTC GAT CGC AA AT TCG ATC GCA （1） （3） （2） 一个开放阅读框（ORF,open reading frame）是一个没有终止编码的密码子序列。 原核基因识别任务的重点是识别开放阅读框，或者说识别长的编码区域。 基于基因密码子特性的识别方法 辨别编码区域与非编码区域的一种方法 是检查终止密码子的出现频率 终止密码子出现的期望次数为： 每21个（? 64/3）密码子出现一次终止密码子 基本思想： 如果能够找到一个比较长的序列，其相应的密码子序列不含终止密码子，则这段序列可能就是编码区域。 基本算法： 扫描给定的DNA序列，在三个不同的阅读框中寻找较长的ORF。遇到终止密码子以后，回头寻找起始密码子。 这种算法过于简单，不适合于处理短的ORF或者交叠的ORF。 识别编码区域的另一种方法是分析各种密码子出现的频率 将一个随机均匀分布的DNA序列翻译成氨基酸 序列，则在氨基酸序列中上述3种氨基酸出现的 比例应该为6:4:1 例如，亮氨酸、丙氨酸、色氨酸分别有 6个、4个和1个密码子 但是在真实的氨基酸序列中，上述比例并不正确 这说明DNA的编码区域并非随机 假设在一条DNA序列中已经找到所有的ORF，那么可以利用密码子频率进一步区分编码ORF和非编码ORF 马尔柯夫链模型 利用这种方法，可以计算一个ORF成为编码区域的可能性。 一个简单的统计模型 假设相继的密码子是独立的，不存在前后依赖关系。 令fabc代表密码子abc在编码区域出现的频率 给定序列 a1,b1,c1, a2,b2,c2,…, an+1,bn+1 从密码子a1b1c1开始的阅读框，其n个密码子的出现概率为 第二种和第三种阅读框n个密码子出现的概率分别为 第i个阅读框成为编码阅读框的概率 计算： 算法： 在序列上移动长度为n的窗口，计算Pi 根据Pi的值识别编码的阅读框 基于编码区域碱基组成特征的识别方法 编码序列与非编码序列在碱基组成上有区别 单个碱基的组成比例 多个碱基的组成 通过统计分析识别编码序列 分析实例 2、真核基因识别问题 真核基因远比原核基因复杂： 一方面，真核基因的编码区域是非连续的，编码区域被分割为若干个小片段。 另一方面，真核基因具有更加丰富的基因调控信息，这些信息主要分布在基因上游区域。 基因识别基本思路 找出基因两端的功能区域: 转录启动区 终止区 在启动区下游位置寻找翻译起始密码子 识别转录剪切位点 剪切给体位点 剪切接受体位点 各种不同的方法有不同的适应面，而不同的方法有时可以结合起来以提高基因识别的准确率。 关键问题是如何提高一个识别算法的敏感性（sensitivity，Sn）和特异性（specificity，Sp）。 3、基因识别的主要方法 两大类识别方法： 从头算方法（或基于统计的方法） 根据蛋白质编码基因的一般性质和特征进行识别，通过统计值区分外显子、内含子及基因间区域 基于同源序列比较的方法 利用数据库中现有与基因有关的信息（如EST序列、蛋白质序列），通过同源比较，帮助发现新基因。 最理想的方法是综合两大类方法的优点，开发混合算法。 基因识别方法有 ： （1）基于规则的系统 （2） 语义学方法 （3） 线性辨别分析（LDA） （4） 决策树 ? （5） 动态规划 ?（6） 隐马尔柯夫模型 ? （7） 剪切对比排列 （spliced alignment） 4、编码区域识别 两类方法 ： 基于特征信号的识别 内部外显子 剪切位点 5’端的外显子一定在核心启动子的下游 3’端的外显子的下游包含多聚Ａ信号和终止编码 基于统计度量的方法 根据密码子使用倾向 双联密码统计度量等